基于Mask-RCNN的转炉炉口形貌检测

摘要：

随着炼钢工序自动化要求的进一步提高,实现过程自动化加料具有重要意义.由于转炉冶炼过程时常伴随溢渣现象,炉口处易形成结瘤,致使内径减小,从而影响下一炉次加料工序进行.目前现场主要通过人工对炉口形貌进行观测以判断是否需要进行修补炉口操作,这种传统人工检测效率低,并且由于炉内光强以及技术人员的主观判断等因素,致使检测结果不稳定.随着人工智能领域中深度学习方法的快速发展及并在各行业中发挥重大作用,提出了一种基于Mask-RCNN的转炉炉口形貌检测方法.该方法基于网络模型的输出结果,通过图像处理对炉口轮廓的周长与面积进行测算,并结合最小二乘圆拟合法(LSCM),通过圆度指标对形貌进行更加合理定量的表征.试验表明,随着冶炼的连续进行,炉口面积与周长都将持续减小,对应圆度误差值持续增加,这说明过程中炉口形貌由于黏渣现象发生而持续改变.自动检测方法能够针对加料或出渣时不同转动倾角的炉口进行实时稳定检测,其识别率高达99％,具有较高的检测性能,相较于人工检测具有稳定、准确、高效的优势,大幅度提升了工艺稳定性.

关键词：转炉炉口形貌、Mask-RCNN、深度学习、图像处理、智能炼钢

所属期刊栏目：58

分类号：TP391.41;TN957.52;TP273

资助基金：国家自然科学基金;国家自然科学基金;中央高校基本科研业务费资助项目

在线出版日期：2023-04-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：73-78